Über CHETI

Eine innovative KI-Lernplattform der Fachdidaktik Chemie an der RPTU Kaiserslautern-Landau (Standort: Kaiserslautern).

Unsere Vision

CHETI verbindet moderne KI-Technologie mit fachdidaktischer Expertise. Unser Ziel ist es, Schüler:innen mit der Hilfe eines LLM-basierten Lerntutors zu unterstützen und das Lernen von chemischen Inhalten interessanter und wirksamer zu gestalten. Die KI ist darauf angepasst, die Selbstwirksamkeit im Fach Chemie zu fördern. Gleichzeitig ist CHETI eine Forschungsplattform, um die Interaktion zwischen LLM und Lerner:in näher zu untersuchen.

KI-gestützte Turoren

Durch den Einsatz von LLMs (Large Language Models) wie GPT-4 und Claude simulieren wir interaktive Turorensysteme. Diese ermöglichen adaptives Feedback und personalisierte Hilfestellungen bei komplexen chemischen Fragestellungen.

Forschungsprojekt

Dieses Projekt ist Teil der Forschung an der Fachdidaktik Chemie der RPTU in Kaiserslautern. Wir untersuchen, wie KI-Tools effektiv und sicher in Bildungsszenarien integriert werden können, um das chemische Verständnis zu vertiefen und Lehrkräfte zu entlasten.

RPTU KaiserslauternFachbereich Chemie

KI-Chat-Systeme: Technische Architektur

Wie die beiden Chat-Formen von CHETI funktionieren — verständlich erklärt.

Die zwei Chat-Formen im Überblick

Beide Systeme nutzen dieselbe technische Infrastruktur, unterscheiden sich aber grundlegend in Kontext und Wissenszugriff.

Lernmaterial-Chat

Thema-bezogener Tutor

Der Schüler befindet sich in einem konkreten Lernmodul (z. B. „Säuren und Laugen"). Die KI kennt den Lerninhalt, die Aufgaben und die bisherigen Antworten des Schülers. Sie antwortet kontextbezogen und unterstützt gezielt bei der Bearbeitung.

Zugriff auf LernmaterialAufgaben-KontextAufgaben-spezifischEingebettet

Freier Lern-Chat

Ungebundener Tutor

Der Schüler öffnet eine eigenständige Chat-Seite, losgelöst von einem bestimmten Lernmodul. Er kann beliebige Chemie-Fragen stellen — z. B. zur Vorbereitung auf eine Klassenarbeit oder bei Interesse an einem Thema.

Kein LernmaterialKeine AufgabenThemenoffenEigene Seite

Wie die KI-Antworten entstehen

Die Schritte, die eine Schüler-Anfrage vom Tippen bis zur Antwort durchläuft.

Lernmaterial-Chat

8 Schritte

Freier Lern-Chat

5 Schritte

1. Schüler-Nachricht

Sicherheitsprüfung: keine persönlichen Daten, keine Injection-Versuche.

1. Schüler-Nachricht

Identische Sicherheitsprüfung. Bilder können ebenfalls hochgeladen werden.

Validierung

2. Sitzung zuordnen

Eine Chat-Sitzung pro Schüler und Lektion. Nachrichten werden gezählt (Quota).

2. Neue Sitzung

Jeder Chat erstellt eine eigene Sitzung. Seitenleiste für frühere Chats.

Intent

3. Absicht klassifizieren

Automatische Erkennung: Aufgabe, Erklärung, Smalltalk oder Off-Topic.

3. Absicht klassifizieren

Gleiche Klassifizierung, aber „Aufgabe“ wird nie erkannt (kein Kontext).

RAG

4. Lernmaterial durchsuchen (RAG)

Die Frage wird mit dem Lernmaterial verglichen. Die 5 relevantesten Textabschnitte werden ausgewählt (Vektor- + Volltext-Suche).

Kein Zugriff auf Lernmaterial

Prompt

5. Kontext zusammenstellen

Tutor-Regeln, Lernpassagen, Aufgaben + Antworten, Chat-Verlauf.

4. Kontext zusammenstellen

Vereinfachter Tutor-Prompt. Chat-Verlauf als einziger Kontext.

6. Antwort erzeugen

KI-Modell generiert Antwort als Live-Stream (Token-für-Token).

5. Antwort erzeugen

Stream-basierte Ausgabe, Speicherung, Protokollierung. Ohne Lösungsschutz.

Safety

7. Lösungsschutz

Automatischer Vergleich mit Musterlösung. Bei Verstoß: Neustart mit strengerem Prompt.

Kein Lösungsschutz nötig

Speichern

8. Speichern & loggen

Antwort in DB, alle Schritte für Qualitätsanalyse protokolliert.

Speichern & loggen

Antwort in DB, alle Schritte für Qualitätsanalyse protokolliert.

≠

Kernunterschiede

Kein RAG-Retrieval

Kein Lösungsschutz

Vereinfachter Prompt

Gezielt Textabschnitte aus dem Lerninhalt suchen und als Kontext nutzen (Schritt 4).

Safety-Guard prüft, ob die KI die Musterlösung verrät (Schritt 7).

Tutor-Regeln, Lernpassagen, Aufgabenkontext und didaktische Modi.

Kein Zugriff auf Lernmaterial. Nur allgemeines Wissen des KI-Modells.

Keine Aufgaben vorhanden, daher kein Lösungsschutz nötig.

Allgemeiner Chemie-Tutor ohne material-spezifische Anweisungen.

Wie die KI auf Lernmaterial zugreift

Das Retrieval-Augmented-Generation-Verfahren (RAG) ermöglicht es der KI, gezielt aus dem Lernmaterial zu antworten.

Schritt 1

Vorbereitung

Lernmaterial wird automatisch in Abschnitte (Chunks) zerlegt. Jeder Chunk erhält eine mathematische Repräsentation (Embedding) mit 3.072 Dimensionen. Bilder werden per KI beschrieben.

Technisch: 1.250 Zeichen/Chunk, 10% Überlappung, Google Gemini, pgvector

Schritt 2

Suche

Die Schülerfrage wird in einen Vektor umgewandelt. Das System sucht parallel: Sinnähnlichkeit (Vektor-Suche) und Wortübereinstimmung (Volltext-Suche). Beide Ergebnisse werden kombiniert.

Technisch: Hybride Suche, Reciprocal Rank Fusion, MMR-Deduplizierung

Schritt 3

Integration

Die 5 relevantesten Abschnitte gehen mit der Frage, Chat-Verlauf und Aufgaben an die KI. Sie "liest" das Lernmaterial und formuliert eine fachlich korrekte Antwort. Auch Abbildungen werden als Kontext mitgesendet.

Technisch: Dual-Channel (Text + Bilder), Token-Budget, Rolling Summary

Schritt 1

Vorbereitung

Lernmaterial wird in Abschnitte zerlegt. Jeder erhält eine mathematische Repräsentation (3.072 Dimensionen). Bilder werden per KI beschrieben.

Technisch: 1.250 Zeichen/Chunk, pgvector

Schritt 2

Suche

Schülerfrage wird in Vektor umgewandelt. Parallel-Suche: Sinnähnlichkeit + Wortübereinstimmung. Ergebnisse werden kombiniert.

Technisch: Hybride Suche, RRF, MMR

Schritt 3

Integration

5 relevanteste Abschnitte + Frage + Aufgaben an KI. Formuliert fachlich korrekte Antwort. Auch Abbildungen als Kontext.

Technisch: Dual-Channel, Token-Budget

Didaktische Steuerung der KI

Wie das System sicherstellt, dass die KI als Tutor agiert — und nicht als Lösungsgeber.

Intent-Routing

Jede Nachricht wird automatisch einer Kategorie zugeordnet. Je nach Kategorie reagiert die KI unterschiedlich:

Aufgabe

Hilfe bei Aufgabe → Scaffolding (ohne Lösung)

Erklärung

Konzept-Frage → Erklär-Modus mit Lernmaterial

Bewertung

Lösung prüfen → Evaluations-Modus

Smalltalk

Begrüßung, Verabschiedung → Kurze Antwort

Off-Topic

Nicht-Chemie → Umlenkung zum Lernen

Lösungsschutz

Bevor die KI-Antwort angezeigt wird, prüft ein automatisiertes System, ob sie die Musterlösung enthält.

✓ Antwort besteht den Check

Wird direkt angezeigt. Hinweise und Denkanstöße, aber nicht die Lösung.

⚠ Teillösung erkannt

Zweiter Versuch: KI soll nur den nächsten Denkschritt nennen.

✗ Komplette Lösung geleakt

Antwort wird ersetzt: „Ich darf dir die Lösung nicht direkt verraten."

Direkter Vergleich

Die wichtigsten Unterschiede auf einen Blick.

Eigenschaft	Lernmaterial-Chat	Freier Lern-Chat
Einsatzort	Eingebettet in Lernseite	Eigenständige Seite
Wissensbasis	Lernmaterial des Unterthemas	Allgemeines KI-Wissen
Aufgabenbezug	Ja — Aufgaben + Schülerantworten	Nein
Lösungsschutz	Ja — automatische Prüfung	Nein
Didaktische Modi	3: Scaffolding, Erklärung, Bewertung	Allgemeiner Tutor
Nachrichtenlimit	Konfigurierbar pro Unterthema	Unbegrenzt
Personalisierung (optional)	Selbsteinschätzung, Ermutigungsstil, Interessen, Lernen	Selbsteinschätzung, Ermutigungsstil, Interessen, Lernen
Bildupload	Ja (wenn aktiviert)	Ja
Sitzungen	Eine pro Schüler + Unterthema	Beliebig viele, Seitenleiste
KI-Modell	Pro Unterthema / Klasse / global	Pro Klasse

Zitieren (APA 7)

Nutzen Sie CHETI für Ihre Forschung? Hier finden Sie die passende Zitation im APA-7-Format.

Fitting, N., & Seibert, J. (2026). CHETI: KI-Tutorin für Chemie. Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau. https://cheti-ki.de/

Das Team

Mehr auf der Startseite

Kontakt

Zum Impressum